Bouw echte AI-agents met de Famulor MCP Server: Toolgebruik dat daadwerkelijk actie onderneemt

Het volgende niveau van AI-automatisering: zo bouw je je eigen zakelijke assistent met de Famulor MCP Server

Stel je voor dat je simpelweg aan je AI-chatbot—of het nu ChatGPT, Claude of een ander groot taalmodel (LLM) is—kunt vragen: “Wat was de laatste lead die in mijn systeem is binnengekomen?” Of dat je kunt zeggen: “Zoek alle reclamebureaus in Kempten en voeg ze toe aan mijn cold outreach-campagne.” En de AI voert het gewoon uit. Geen handmatig zoekwerk, geen gekopieer en geplak, geen onhandig geklik in interfaces. Gewoon één zin in natuurlijke taal die een complexe zakelijke actie in gang zet.

Wat klinkt als sciencefiction is al werkelijkheid. De meeste generieke LLM's zijn briljant in het begrijpen en genereren van taal, maar ze staan los van je interne bedrijfsprocessen en data. Ze kunnen een strategie schrijven, maar ze kunnen deze niet uitvoeren. Dat is waar de Famulor MCP (Model-Controller-Package) Server het gat dicht. Het fungeert als een intelligente brug tussen de conversationele vaardigheden van een LLM en de actiegerichte kracht van het Famulor-platform.

In dit artikel leggen we niet alleen uit wat de MCP Server is, maar nemen we je ook stap voor stap mee door de implementatie. Je leert hoe je een standaard chatbot verandert in een proactieve, taakgerichte assistent die echte acties uitvoert in je Famulor-account, waardoor je manier van werken verandert.

Wat is de Famulor MCP Server precies en hoe werkt het?

De Famulor MCP Server is een open-source middleware-tool die je zelf kunt hosten. De kerntaak is om de mogelijkheden van het Famulor-platform—zoals het tonen van leads, het toevoegen van contacten aan een campagne of het starten van gesprekken—beschikbaar te maken als “tools” voor een groot taalmodel. Wanneer je een verzoek naar de LLM stuurt, vindt er op de achtergrond een fascinerend proces plaats.

Het basisidee: van intentie naar actie

De flow kan worden samengevat in vier stappen:

1. Intentiedetectie: Je voert een commando in natuurlijke taal in, bijvoorbeeld: “Laat me de laatste lead zien uit de campagne ‘Voorbeeldcampagne’.” De LLM analyseert de zin en begrijpt je intentie: je wilt specifieke data uit je Famulor-account.

2. Toolselectie: De LLM koppelt de gedetecteerde intentie aan de tools die de MCP Server aanbiedt. Het identificeert Flist_leads als de juiste tool om aan je verzoek te voldoen.

3. Uitvoering & ophalen: De LLM maakt een nauwkeurig verzoek aan de MCP Server, inclusief de vereiste parameters (bijv. campaign_name: "Example Campaign", per_page: 1). De MCP Server valideert de aanroep, communiceert veilig met je Famulor-instantie via de API en ontvangt de ruwe data (JSON-formaat).

4. Antwoordgeneratie: De MCP Server geeft het JSON-antwoord terug aan de LLM. De LLM interpreteert de gestructureerde data en zet deze om in een makkelijk leesbaar antwoord in natuurlijke taal: “De laatste lead in je ‘Voorbeeldcampagne’ is Voorbeeld Lead met het e-mailadres lead@example.com.”

Deze naadloze flow transformeert een passief gesprek in een actieve, waarde-creërende handeling. Voor een diepere duik in de onderliggende MCP-concepten, bekijk ons introductieartikel: Introductie tot Famulor MCP-functionaliteit.

De architectuur in detail

Om te begrijpen waarom dit zo krachtig is, kijken we naar de drie hoofdcomponenten:

• Het grote taalmodel (LLM): Dit is het “brein”. Het kan GPT-4, Claude 3, Google Gemini zijn, of elk ander model dat function calling / toolgebruik ondersteunt. De taak is om het verzoek van de gebruiker te begrijpen, erover na te denken en te beslissen welke tool met welke parameters moet worden aangeroepen.

• De Famulor MCP Server: Dit is het “centrale zenuwstelsel” dat het brein en het lichaam verbindt. Gehost op jouw infrastructuur, biedt het een veilige interface. Het vertaalt LLM-tool-aanroepen naar concrete API-verzoeken aan Famulor en weer terug. Je hebt volledige controle over welke functies je blootstelt.

• Het Famulor-platform: Dit is het “lichaam” dat acties uitvoert. Je data (leads, campagnes, gesprekslogs) staat hier en commando's worden uitgevoerd—zoals contacten toevoegen, uitgaande campagnes starten of workflows triggeren.

Praktische gids: bouw je eigen Famulor-assistent

Laten we nu praktisch worden. Met de voorbeelden uit de inleiding zie je hoe je je eigen assistent configureert en gebruikt.

Stap 1: Vereisten en installatie

Voordat je begint, heb je het volgende nodig:

• Een actief Famulor-account met een API-sleutel.

• Toegang tot een LLM die toolgebruik ondersteunt (bijv. via OpenAI of Anthropic API's).

• De Famulor MCP Server, die je kunt klonen van GitHub.

De installatie is eenvoudig: kloon de server-repo, installeer de afhankelijkheden en configureer omgevingsvariabelen met je API-sleutels. Voor de exacte stappen, zie de README.md in de officiële GitHub-repository.

Stap 1a: MCP installeren — Quick Start (online) of lokale server

Je kunt de Famulor MCP Server op twee manieren gebruiken: zonder installatie via de gehoste online server of lokaal/self-hosted. Beide opties stellen je LLM in staat om Famulor-tools aan te roepen (bijv. gesprekken starten, assistenten beheren, gespreksverslagen ophalen).

Optie 1 (Aanbevolen): Online MCP Server — geen lokale installatie nodig

Als je snel aan de slag wilt, gebruik dan de gehoste MCP-server:

• Server: https://mcp.famulor.io

• SSE-endpoint: https://mcp.famulor.io/sse

• Health Check: https://mcp.famulor.io/health

Stappen:

1. Maak een API-sleutel aan: Genereer in je Famulor-account een nieuwe API-sleutel onder API Keys en kopieer deze.

2. Configureer je MCP-client: Afhankelijk van de client (ChatGPT Desktop, Cursor, Claude Desktop, Claude Code), voeg je een kleine configuratie toe (voorbeelden hieronder).

3. Herstart de client: Sluit deze volledig af en open hem opnieuw zodat MCP wordt geladen.

4. Test: Vraag iets als “Laat mijn Famulor-assistenten zien” of “Lijst mijn recente gesprekken op.”

Optie 2: Draai je eigen lokale MCP Server (self-hosted)

Als je de voorkeur geeft aan volledige controle/on-prem, kun je de MCP-server lokaal draaien. Vereiste: Node.js >= 20.

Stappen:

1. Kloon de repo:

   git clone https://github.com/bekservice/Famulor-MCP.git && cd Famulor-MCP

2. Installeer afhankelijkheden:

   npm install

3. Build:

   npm run build

4. Maak een API-sleutel aan (zoals hierboven), en configureer je MCP-client (hieronder).

5. Herstart de client en test.

Belangrijk: Gebruik in je MCP-configuratie voor de lokale server altijd een absoluut pad naar dist/index.js (niet relatief). Gebruik op Windows bij voorkeur forward slashes of correct geëscapete backslashes.

Stap 1b: MCP-clientconfiguratie (ChatGPT Desktop, Cursor, Claude)

Afhankelijk van de client verschillen het pad naar het configuratiebestand en het verbindingstype. Hier zijn kant-en-klare voorbeelden met placeholders (vervang your-api-key-here en paden waar nodig).

ChatGPT Desktop-app

Configuratiebestand:

• macOS: ~/Library/Application Support/ChatGPT/mcp.json

• Windows: %APPDATA%\\ChatGPT\\mcp.json (bijv. C:\\Users\\YourUsername\\AppData\\Roaming\\ChatGPT\\mcp.json)

• Linux: ~/.config/ChatGPT/mcp.json

Voorbeeld online server:

{"mcpServers":{"famulor":{"url":"https://mcp.famulor.io/sse","env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Voorbeeld lokale server:

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Sluit ChatGPT Desktop daarna volledig af en open het opnieuw.

Cursor

Online (HTTP/SSE) — aanbevolen: In Cursor onder Settings → Tools & Integrations → “New MCP Server” opent het meestal ~/.cursor/mcp.json. Voorbeeld:

{"mcpServers":{"famulor":{"type":"http","url":"https://mcp.famulor.io/sse","headers":{"Authorization":"Bearer your-api-key-here"}}}}

Lokaal (commando):

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Ververs daarna MCP in Cursor of herstart Cursor.

Claude Desktop

Let op: Claude Desktop ondersteunt doorgaans commando-gebaseerde MCP-serverconfiguratie (lokaal), geen URL/HTTP (afhankelijk van versie/setup). Configuratiebestand:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\\Claude\\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

Voorbeeld:

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Herstart Claude Desktop daarna volledig.

Claude Code (Terminal)

Online:

claude mcp add-json "famulor" "{\"type\":\"http\",\"url\":\"https://mcp.famulor.io/sse\",\"headers\":{\"Authorization\":\"Bearer your-api-key-here\"}}"

Lokaal:

claude mcp add-json "famulor" "{\"command\":\"node\",\"args\":[\"/absolute/path/to/Famulor-MCP/dist/index.js\"],\"env\":{\"FAMULOR_API_KEY\":\"your-api-key-here\"}}"

Beveiliging (niet overslaan)

• Commit nooit API-sleutels: je MCP-configuratie met een API-sleutel mag niet in Git terechtkomen.

• Deel nooit je API-sleutel (ook niet in screenshots of supportlogs).

• Stel de sleutel indien mogelijk in als omgevingsvariabele en verwijder deze uit de JSON (afhankelijk van client/setup).

Snelle checklist voor probleemoplossing

• “Server not found”: zorg dat npm run build draait en dist/index.js bestaat; het pad moet absoluut zijn.

• “API key error”: controleer of de sleutel correct en geldig is.

• “MCP server not recognized”: valideer de JSON, herstart de client volledig, controleer de logs.

• Node-versie: node --version moet >= 20 zijn (voor lokaal).

Stap 2: Use Case 1 — De laatste lead opvragen

Dit is de klassieke case voor het ophalen van data. Je wilt snel informatie zonder door menu's te klikken.

Jouw verzoek aan de assistent:
what was last lead bei famulor?

LLM-redenering:
“De gebruiker wil de ‘laatste lead’. Dat impliceert chronologische volgorde en beperking tot één resultaat. Ik heb een tool genaamd Flist_leads. Om alleen de nieuwste lead te krijgen, roep ik deze aan met page: 1 en per_page: 1.”

De resulterende functie-aanroep (verstuurd naar de MCP-server):

Request{`page`:1,`per_page`:1}

Het Famulor API-antwoord (teruggegeven door de MCP-server):

Response{"current_page":1,"data":[{"id":1234567,"customer_name":"Example Lead","email":"lead@example.com","campaign":{"name":"Example Campaign"}}]}

Het uiteindelijke, voor mensen leesbare antwoord:
“Ik controleer de laatste lead in je Famulor-account. De laatste lead is Voorbeeld Lead uit de ‘Voorbeeldcampagne’-campagne.”

Deze eenvoudige dialoog laat een fundamentele verschuiving zien: je communiceert met bedrijfsdata net zo natuurlijk als met een menselijke collega.

Stap 3: Use Case 2 — Leads onderzoeken en toevoegen aan een campagne

Deze use case gaat veel verder dan eenvoudig ophalen en toont de echte kracht van automatisering door tools te ketenen.

Jouw verzoek aan de assistent:
Find ad agencies in Kempten and add them to my cold-call campaign in Famulor.

LLM-redenering:
“Dit is een taak in twee stappen. Eerst moet ik ‘reclamebureaus in Kempten’ vinden. Dat vereist een webzoektool (ervan uitgaande dat deze aan de MCP-server is toegevoegd). Ten tweede moet ik voor elk resultaat Fadd_lead gebruiken om het toe te voegen aan de ‘Cold Call’-campagne. Ik moet informatie zoals bedrijfsnaam en telefoonnummer extraheren en koppelen aan de juiste parameters.”

Conceptuele volgorde van tool-aanroepen:

1. Webzoekopdracht: De LLM roept een (hypothetische) WebSearch-tool aan met query="ad agencies with phone numbers in Kempten".

2. Data-extractie: Uit de resultaten extraheert de LLM een lijst met bureaus met namen en contactgegevens.

3. Leads toevoegen: Voor elk item loopt de LLM door de lijst en roept herhaaldelijk Fadd_lead aan:

   • Fadd_lead(campaign_name="Cold Call", variables={"customer_name":"Agency A","phone_number":"+49..."})

   • Fadd_lead(campaign_name="Cold Call", variables={"customer_name":"Agency B","phone_number":"+49..."})

   • ...en zo verder.

Het uiteindelijke, voor mensen leesbare antwoord:
“Ik heb verschillende reclamebureaus in Kempten gevonden en ze succesvol toegevoegd aan je ‘Cold Call’-campagne. De campagne is klaar om te starten.”

Dit toont de ware kracht: het automatiseren van onderzoek, datavoorbereiding en systeeminvoer vanuit één enkele zin. Het is een prachtig voorbeeld van diepe integraties die veel verder gaan dan oppervlakkige smalltalk.

Het belangrijkste voordeel: onbeperkte mogelijkheden door diepe integratie

De echte magie van de Famulor MCP Server is niet alleen het uitvoeren van vooraf gedefinieerde acties—het is de onbeperkte uitbreidbaarheid en integratie met het bredere Famulor-ecosysteem.

Van acties naar complexe workflows:
Achter elke functie zoals Fadd_lead kan Famulor een volledige automatiseringsworkflow draaien. Het toevoegen van een lead kan automatisch een bevestigingsmail sturen, een CRM-taak aanmaken, een verkoper op Slack op de hoogte stellen en een eerste introductiegesprek voor de volgende dag inplannen. Je spraakgestuurde assistent wordt een trigger voor bedrijfsbrede processen—vergelijkbaar met wat mogelijk wordt door te koppelen met platforms zoals Make.com.

Volledige controle en beveiliging:
Omdat de MCP-server open source en self-hosted is, blijf je in controle. Jij bepaalt wat je AI-assistent mag doen. Je kunt deze beperken tot alleen-lezen operaties of toestaan dat data wordt gewijzigd. Alle data stroomt via jouw infrastructuur en is beveiligd via je Famulor API-sleutel.

Uitbreidbaar over je gehele toolstack:
De MCP-server is niet beperkt tot Famulor-functies. Je kunt deze uitbreiden om tools te bieden voor elk systeem met een API: je CRM, agenda, projectmanagementtool of interne databases. Je assistent kan de centrale, spraakgestuurde hub voor je bedrijf worden.

Conclusie: Welkom in het tijdperk van de actieve AI

De Famulor MCP Server markeert het einde van geïsoleerde AI-applicaties. Het overbrugt moderne LLM-taalvaardigheid met echte, waarde-creërende acties die je bedrijf vooruithelpen. In plaats van alleen informatie te leveren, wordt AI een actieve deelnemer in je processen.

Het automatiseren van routinetaken, het versnellen van onderzoek en datainvoer, en het creëren van een natuurlijke interface naar je systemen is niet langer een verre visie. Met Famulor kun je een krachtig AI-spraakagentplatform niet alleen gebruiken voor bellen, maar ook als de ruggengraat van interne automatisering.

Klaar om de productiviteit van je team naar een hoger niveau te tillen en je eigen op maat gemaakte AI-bedrijfsassistent te bouwen? Verken de Famulor MCP Server op GitHub en neem contact met ons op om te leren hoe Famulor het centrale automatiseringsplatform voor al je bedrijfscommunicatie kan worden.

FAQ — Veelgestelde vragen over de Famulor MCP Server

Wat is de Famulor MCP Server?

De Famulor MCP Server is een open-source middleware-brug tussen grote taalmodellen (LLM's zoals ChatGPT of Claude) en je Famulor-account. Het stelt de LLM in staat om acties uit te voeren—zoals data opvragen of leads toevoegen—direct in het Famulor-platform via natuurlijke taal.

Heb ik programmeervaardigheden nodig om de MCP Server te gebruiken?

Voor de eerste installatie en configuratie is basis technische kennis nuttig (GitHub, opdrachtregel, omgevingsvariabelen). Om de server uit te breiden met aangepaste tools, heb je doorgaans programmeervaardigheden nodig (meestal JavaScript/TypeScript voor deze repo). Het dagelijks gebruik van de geconfigureerde assistent gebeurt echter volledig via natuurlijke taal en vereist geen programmeren.

Welke LLM's zijn compatibel met de MCP Server?

Elk modern model dat “tool use” of “function calling” ondersteunt, is compatibel. Dit omvat OpenAI's GPT-modellen, Anthropic's Claude-modellen en Google's Gemini.

Is het gebruik van de MCP Server veilig?

Ja. Omdat je de server in je eigen infrastructuur host, controleer je de datastroom en beveiliging. Jij bepaalt welke functies worden blootgesteld aan de AI en de communicatie met Famulor verloopt via je beveiligde API-sleutel.

Kan ik andere tools dan Famulor koppelen?

Absoluut. Een van de grootste voordelen van een open-source MCP-server is de uitbreidbaarheid. Je kunt tools toevoegen voor elke applicatie met een API—je CRM (bijv. Salesforce, HubSpot), agenda (Google Calendar, Outlook) of interne systemen—waardoor je assistent een centrale controlelaag wordt voor vele workflows.